Los nacimientos prematuros afectan a alrededor de 15 millones de niños al año en todo el mundo. Los esfuerzos médicos actuales se centran en mitigar los efectos de la prematuridad, no en prevenirla. Los métodos diagnósticos se basan en rasgos de los padres y en ecografías transvaginales, durante las cuales se examina la longitud del cuello uterino. Aproximadamente el 30% de los nacimientos prematuros no se predicen correctamente debido a la complejidad de este proceso y a su evaluación subjetiva. Basándose en investigaciones recientes, hay esperanza de que el aprendizaje automático pueda ser una herramienta útil para apoyar el diagnóstico de los nacimientos prematuros. El objetivo de este estudio es presentar varios algoritmos de aprendizaje automático aplicados a la predicción de nacimientos prematuros. El amplio espectro de conjuntos de datos analizados es la ventaja de esta encuesta. Van desde señales de electrohisterograma hasta registros electrónicos de salud y ecografías transvaginales. Ya existen revisiones de trabajos sobre nacimientos prematuros; sin embargo, esta es la primera revisión que incluye trabajos basados en una ecografía transvaginal. En este trabajo, presentamos una evaluación crítica de los métodos populares que han empleado métodos de aprendizaje automático para predecir nacimientos prematuros. Además, resumimos los desafíos más comunes incurridos y discutimos su posible aplicación en el futuro.